临床显著前列腺癌的机器学习驱动诊断途径:微超声波的作用
Cesare Saitta1,2,3, NicolòMaria Buffi1,2, Pierpaolo Avolio2
1Department of Biomedical Sciences, Humanitas University, 20090 Pieve, Emanuele, Italy.
World journal of urology
|August 18, 2025
概括
整合微超声波 (micro-US) 和临床数据的新型机器学习模型准确检测临床显著前列腺癌 (csPCa). 这种方法可以将微型US作为主要诊断工具,改善患者风险分层并指导进一步的测试.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗成像医学成像
- 医疗保健中的机器学习
背景情况:
- 检测临床显著的前列腺癌 (csPCa) 对于患者的护理至关重要.
- 目前对csPCa的诊断途径正在发展,需要创新的方法.
研究的目的:
- 开发和验证用于使用前列腺微超声波 (micro-US) 检测csPCa的机器学习 (ML) 模型.
- 建立一个创新的诊断途径,将临床和放射学发现整合为csPCa诊断.
主要方法:
- 查询了疑似前列腺癌接受微型US治疗的患者的潜在数据库.
- 开发了一种ML算法,包括Boruta变量选择和多变量逻辑回归 (MLR),用于预测csPCa.
- 使用分类和回归树 (CART) 模型创建风险分层的决策树.
主要成果:
- 结合PRI-MUS得分,PI-RADS得分,PSA密度,DRE,前部病变,癌症熟悉度和年龄的ML模型,在验证队列中实现了83%的AUC.
- 该模型显示了78%的灵敏度,72.1%的特异性和81%的csPCa检测负预测值.
- 较高的PRIMUS得分被确定为患者分层的主要预测因素.
结论:
- 结合临床,生物标志物和成像数据的综合点护理模型可以准确预测csPCa.
- 结果支持采用微US作为csPCa的第一级诊断工具,优化决策.
- 这种方法可以提高高风险患者的识别,并指导随后的诊断程序,等待外部验证.
